ESTADISTICA APLICADA AL

CONTROL DE CALIDAD
CAPITULO 2
OBJETIVO DEL CAPITULO

El estudiante debe aprender a aplicar

métodos estadísticos en el proceso de
control de calidad. También debe
aprender a usar probabilidades para
tomar el criterio de aceptar o
rechazar un lote de cualquier tipo de
producto
CONCEPTOS Y DEFINICIONES
PROBABILIDAD
La probabilidad es la parte de un
experimento aleatorio asociada a un
suceso o evento futuro y suele
expresarse como un numero entre 0 y
1 (o entre 0% y 100%)
ESPACIO
MUESTRAL
Es el conjunto de resultados posibles
de un experimento aleatorio
EXPERIMENTO
ALEATORIO
Un experimento aleatorio es aquel
cuyo resultado no puede anticiparse
aun cuando se busque repetirlo de la
misma manera y bajo las mismas
condiciones
EVENTO
Es un subconjunto del espacio
muestral de un experimento
aleatorio
CONCEPTOS Y DEFINICIONES

EXPERIMENTO MUESTRAL
22 20 23
22 22 20
20 21
24
23 21 23
21 25 20
22
21 20 20 21 22
21 24 21 22
22 21 22
23 20
21 21 21
20 23 22 22
21 20 19 21
22 22 21

ESPACIO MUESTRAL

EVENTO (EXITO O FRACASO)

LA TEORIA DE LA PROBABILIDAD

La teoría de la probabilidad se ocupa de

asignar un cierto número a cada posible evento
que pueda ocurrir en un experimento
aleatorio, con el fin de cuantificar dichos
resultados y saber si un suceso es más
probable que otro.
AXIOMAS DE LA PROBABILIDAD

AXIOMA 1 La probabilidad de que ocurra un evento

A cualquiera se encuentra entre cero y
uno

0  p(A)  1

Ejemplo: La probabilidad de sacar 2 en un dado

equilibrado es p(A)=1/6
AXIOMAS DE LA PROBABILIDAD

AXIOMA 2 La probabilidaddel evento seguro S es

igual a 1

p(S) = 1

Ejemplo: La probabilidad de sacar un número del 1 al 6 en

un dado equilibrado es "1".
AXIOMAS DE LA PROBABILIDAD

AXIOMA 3 Si A y B son eventos mutuamente

excluyentes, entonces

p(A∩B) = p(A) + p(B)

Ejemplo: La probabilidad de sacar en un dado "as" (A) o

sacar "número par“ (B) es la suma de las probabilidades
individuales de dichos sucesos. p(A) = 1/6 , p(B) = 3/6 ;
p(A∩B) = 1/6 +3/6; p(A∩B) = 4/6 = 2/3
TEOREMAS DE LA PROBABILIDAD

TEOREMA 1 Si C es un evento imposible, entonces

p(C) = 0

Ejemplo: La probabilidad de sacar 7 (C) en un dado

equilibrado es p(C) = 0
TEOREMAS DE LA PROBABILIDAD

TEOREMA 2 La probabilidad de un evento

complementario a A será entonces

p(Ac) = 1 – p(A)

Ejemplo: La probabilidad de sacar un numero mayor a 1 (Ac)

en un dado equilibrado es p(Ac) = 1 – p(A), donde p(A) es la
probabilidad de sacar el numero 1,
entonces p(Ac) = 1 – 1/6 = 5/6
TEOREMAS DE LA PROBABILIDAD

TEOREMA 3 Si A y B son eventos tales que A se

encuentra dentro la muestra B (A B),

U
entonces

p(A) ≤ p(B)

Ejemplo: La probabilidad de sacar un tres (A) en un dado

equilibrado es menor a la probabilidad de sacar un numero
impar (B), p(A) = 1/6 ; p(B) = 3/6
DISTRIBUCIONES DE PROBABILIDAD

Si la variable es una variable discreta (valores

enteros), corresponderá una distribución
VARIABLES discreta, de las cuales existen:
DISCRETAS
• Distribucion BINOMIAL
• Distribucion POISSON

Si la variable es continua, esto significa que

puede tomar cualquier valor dentro de un
VARIABLES intervalo
CONTINUAS
• Distribucion NORMAL
DISTRIBUCIONES ALEATORIAS
DISCRETAS
DISTRIBUCION BINOMIAL

Es frecuente que en control de calidad se den variables del tipo

“pasa, no pasa”. Por ejemplo, un artículo cumple con
especificaciones o no, una pieza resiste cierta fuerza o no, una
lámpara enciende o no.

Un experimento aleatorio donde los posibles resultados de cada

ensayo son: “éxito” o “fracaso” se conoce como experimento
Bernoulli

La distrubucion Binomial indica “la probabilidad de

obtener exactamente x exitos y n-x fracasos”
DISTRIBUCION BINOMIAL (formulación)

La variable aleatoria x es igual al número de exitos

resultantes de un número de ensayos o muestra.

La función de probabilidades de x es:

𝑛!
𝑓 𝑥 = 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥
𝑥! 𝑛−𝑥 !

Donde:

n = muestra
p = la proporcion promedio de exitos
DISTRIBUCION BINOMIAL (Ejemplo 1.a)

En un proceso de fabricación donde se produce una gran

cantidad de artículos, se sabe que en promedio 2% de ellos
están defectuosos. Los artículos son empacados en cajas de
10, y se quiere saber cuál es la probabilidad de que no haya
ningún artículo defectuoso en cada caja.

Primer paso: Identificación de variables

n = 10
p = 2% = 0.02
x=0
p(x) = ?
DISTRIBUCION BINOMIAL (Ejemplo1.a)

Segundo paso
𝑛!
p 𝑥 = 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥
𝑥! 𝑛−𝑥 !

10!
p 𝑥=0 = 0.020 (1 − 0.02)10−0
0! 10−0 !

p 𝑥 = 0 = 0.817

Tercer paso : Respuesta

Se espera que 81.7% de las cajas no tenga

ningún artículo defectuoso
DISTRIBUCION BINOMIAL (Ejemplo 1.b)

Se requiere saber la probabilidad de que hayan como máximo

3 articulos defectuosos en una caja.

Primer paso: Identificación de variables

n = 10
p = 2% = 0.02
p(x ≤ 3) =?
DISTRIBUCION BINOMIAL (Ejemplo1.b)

𝑛!
Segundo paso p 𝑥 = 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥
𝑥! 𝑛−𝑥 !

10!
p 𝑥=1 = 0.021 (1 − 0.02)10−1 = 0.1667
1! 10−1 !

10!
p 𝑥=2 = 0.022 (1 − 0.02)10−2 = 0.01533
2! 10−2 !

10!
p 𝑥=3 = 0.023 (1 − 0.02)10−3 = 0.0008
3! 10−3 !

p 𝑥 ≤3 =p 𝑥 =0 +p 𝑥 =1 +p 𝑥 =2 +p 𝑥 =3
p 𝑥 ≤ 3 = 0.817+0.1667 + 0.0153+ 0.0008
p 𝑥 ≤ 3 = 0.9998
DISTRIBUCION BINOMIAL (Ejemplo1.b)

Tercer paso : Respuesta

Se espera que 99.98% de las cajas tenga por lo

menos tres defectos
DISTRIBUCION POISSON

Una situación frecuente en control de calidad es

evaluar variables como las siguientes: número de
defectos por artículo, número de defectos por metros
de cable, número de defectos por metro cuadrado de
tela, número de impurezas en un líquido, número de
fallas mensuales de una máquina, etc. Todos los casos
anteriores se resumen así: número de eventos que
ocurren por unidad (que puede ser unidad lineal, de
área, de volumen, de tiempo o de número de artículos)

La distrubucion poisson indica “la probabilidad de

obtener exactamente x exitos en un determinado
tiempo/espacio”
DISTRIBUCION POISSON (formulación)

La variable aleatoria x es igual al número de exitos en un

determinado tiempo/espacio.

La función de probabilidades de x es:

𝑒 −𝜆 𝜆𝑥
𝑓 𝑥 =
𝑥!
Donde:
e = numero constante 2.718
𝛌 = numero promedio de eventos en una unidad de
medida
x = numero de eventos en una unidad de medida
DISTRIBUCION POISSON (Ejemplo 2.a)

Se sabe que un líquido particular contiene ciertas bacterias a

razon de 4 bacterias por cm3. Se quiere saber cual es la
probabilidad de que en un cm3 no exista bacteria alguna.

Primer paso: Identificación de variables

x = numero de bacterias en un cm3

x=0
p(x=0) = ?
𝛌a = 4
DISTRIBUCION POISSON (Ejemplo2.a)

Segundo paso

𝑒 −𝜆 𝜆𝑥
p 𝑥 =
𝑥!
2.718−4 4 0
p 𝑥=0 =
0!

p 𝑥 = 0 = 0.0183

Tercer paso : Respuesta

La probabilidad que en una muestra de un cm3 no

exista bacteria alguna es de 1.83%
DISTRIBUCION POISSON (Ejemplo 2.b)

Se requiere saber la probabilidad de que en 2 cm3 haya por lo

menos una bacteria

Primer paso: Identificación de variables

x = numero de bacterias en 2 cm3

x≥1
p(x ≥ 1) = ?
𝛌b = 8
DISTRIBUCION POISSON (Ejemplo2.b)

Segundo paso

p 𝑥 ≥ 1 = p 𝑥 = 1 + p 𝑥 = 2 + ……….+ p 𝑥 = ∞
p 𝑥 ≥1 =1−p 𝑥 =0

𝑒 −𝜆 𝜆𝑥
p 𝑥 =
𝑥!
2.718−8 80
p 𝑥=0 = = 0.000336
0!

p 𝑥 ≥ 1 = 1 − 0.000336
p 𝑥 ≥ 1 = 0.9997
DISTRIBUCION POISSON (Ejemplo2.b)

Tercer paso : Respuesta

La probabilidad de encontrar por lo menos un

defecto en la muestra de 2 cm3 es de 99.97%
DIFERENCIA ENTRE BINOMIAL Y POISSON

BINOMIAL POISSON

Se calcula la probabilidad de x Se calcula la probabilidad de x

productos con eventos exitosos eventos existosos en una unidad de
dentro una muestra n medida

EJM: Calcular la probabilidad de EJM: Calcular la probabilidad de

encontrar por lo menos 4 articulos encontrar por lo menos 4 defectos
defectuosos en una muestra de 20 en un producto
articulos
DIFERENCIA ENTRE BINOMIAL Y POISSON

BINOMIAL POISSON

La probabilidad se calcula a base La probabilidad puede ser calculada

de una muestra finita en una muestra infinita

n= muestra finita 0≤n≥∞

 DIFERENCIA ENTRE BINOMIAL Y POISSON

BINOMIAL POISSON

La probabilidad se calcula en La probabilidad se calcula a base de

funcion de un numero promedio un numero promedio de exitos en
de exitos una unidad de medida

p 𝛌

𝑛! 𝑒 −𝜆 𝜆𝑥
𝑓 𝑥 = 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥 𝑓 𝑥 =
𝑥! 𝑛−𝑥 ! 𝑥!
DISTRIBUCION MULTINOMIAL

La distribución multinomial es una generalización de la

distribución binomial. En este caso, en un experimento
interesa estudiar no la ocurrencia de un único suceso o
la de su contrario, sino la de varios sucesos (tres o más)

La distrubucion multinomial indica “la probabilidad de

obtener exactamente x1, x2, x3, …. xi eventos o sucesos
en un experimento”
DISTRIBUCION MULTINOMIAL (formulación)

La función de probabilidades de x es:

𝑛! 𝑥1 𝑥2 𝑥3 𝑥𝑖
𝑓 𝑥1 , 𝑥2 , 𝑥3 , … . . , 𝑥𝑖 = 𝑝 𝑝 𝑝 …𝑝𝑖
𝑥1 !𝑥2 !𝑥3 ! …….𝑥𝑖 ! 1 2 3

Donde:
n = numero de muestra
xi = numero de veces que ocurre el evento i
pi = probabilidad de ocurrencia del evento i
DISTRIBUCION MULTINOMIAL (Ejemplo 3.a)

Se sabe que una caja de baterias de litio se encuentran un 87% sin

defectos, un 10% con desperfectos leves y un 3% con desperfectos críticos.
Se desea calcular la probabilidad que en un muestreo de 10 unidades se
rechace el lote por encontrar 1 bateria con defecto critico y otras 2 con
defectos leves

Primer paso: Identificación de variables

x1 = numero de baterias sin defectos

x2 = numero de baterias con desperfectos leves
x3 = numero de baterias con desperfectos críticos
p(x1) = probabilidad presencia de baterias sin defectos = 0.87
p(x2) = probabilidad de presencia de baterias con desperfectos leves = 0.10
p(x3) = probabilidad de presencia de baterias con desperfectos críticos = 0.03
n = 10
p(x1=7, x2=2, x2=1) = ?
DISTRIBUCION MULTINOMIAL (Ejemplo 3.a)

Segundo paso
𝑛! 𝑥1 𝑥2 𝑥3
p 𝑥1 , 𝑥2 , 𝑥3 = 𝑝1 𝑝2 𝑝3
𝑥1 !𝑥2 !𝑥3 !

10!
p 7,2,1 = 0.877 0.12 0.031
7! 2! 1!

p 7,2,1 = 0.0407

Tercer paso : Respuesta

La probabilidad de que el lote se rechace es de

4.07%
DISTRIBUCIONES ALEATORIAS
CONTINUAS
DISTRIBUCION NORMAL

La distribucion de probabilidad continua NORMAL es la

mas imporante en campo de la estadística, esto debido
a que en la práctica muchos fenómenos industriales,
cientificos o de la vida diaria pueden describirse por
esta distribución.

La distrubucion normal indica “la probabilidad de que

la variable X obtenga valores entre dos números
cualquiera”
DISTRIBUCION NORMAL (formulación)

La función de probabilidades de x es:

𝑥−𝜇
P 𝑋 ≤ 𝑥 = 𝑃(𝑍 ≤ )
𝜎

Donde:
X = Variable aleatoria
Z = Variable estandarizada (se debe buscar su valor en
tablas de distribucion normal Z)
µ = media de la distribucion normal
σ = desviacion estandar de la distribucion normal
x = valor limite
DISTRIBUCION NORMAL (Ejemplo 4.a)

Una fabrica de llantas de automoviles, produce un tipo de llanta que tiene

una vida útil promedio de 80 000 km y una desviación estándar de 8 000
km. Con estos datos calcule la probabilidad de poner a prueba una llanta y
que esta dure mas de 95 440 km.

Primer paso: Identificación de variables

µ = 80 000 km
σ = 8 000 km
x = 95 440 km
P(X > x) = ?
P(X > 95 440) = ?
DISTRIBUCION NORMAL (Ejemplo 4.a)

Segundo paso, formulación

Traducir esto: P X > 95 440 =?

𝑥−𝜇
En esto: P 𝑋 ≤ 𝑥 = 𝑃(𝑍 ≤ )
𝜎
Signos diferentes, se debe aplicar el teorema del
complemento para aplicar la funcion de
probabilidad normal

Formulación:

P X > 95 440 = 1 − P X ≤ 95 440 = ?

DISTRIBUCION NORMAL (Ejemplo 4.a) 𝑥−𝜇
P 𝑋 ≤ 𝑥 = 𝑃(𝑍 ≤ )
𝜎
Tercer paso, uso de tabla Z
95 440−80 000
P 𝑋 ≤ 95 440 = 𝑃(𝑍 ≤ )
8 000
P 𝑋 ≤ 95 440 = 𝑃(𝑍 ≤ 1.93)
𝑃(𝑍 ≤ 1.93)

P 𝑋 ≤ 95 440 = 0.9732
DISTRIBUCION NORMAL (Ejemplo 4.a)

Cuarto paso, cálculo

Reemplazando los resultados en la formulación

P X > 95 440 = 1 − P X ≤ 95 440

P X > 95 440 = 1 − 0.9732

P X > 95 440 = 0.0268 = 2.68%

Quinto paso: Respuesta

La probabilidad que la llanta dure mas de 95 440

km es de 2.68%
DISTRIBUCION NORMAL (Ejemplo 4.b)
Una empresa ensambladora de vehiculos, desea firmar contrato con la
fabrica de llantas, siempre y cuando cumplan con el requisito de la vida util
de la llanta sea de 80 000 +/- 5 000 km. Calcular la probabilidad que se
firme el contrato.

Primer paso: Identificación de variables

µ = 80 000 km
σ = 8 000 km
x1 = 75 000 km
x2 = 85 000 km
P(x1 ≤ X ≤ x2) = ?
P(75 000 ≤ X ≤ 85 000) = ?
DISTRIBUCION NORMAL (Ejemplo 4.b)

Segundo paso, formulación

Traducir esto: P(75 000 ≤ X ≤ 85 000) = ?

𝑥−𝜇
En esto: P 𝑋 ≤ 𝑥 = 𝑃(𝑍 ≤ )
𝜎
 DISTRIBUCION NORMAL (Ejemplo 4.b)

70 000 75 000 80 000 85 000

P 𝑋 ≤ 85 000

P 𝑋 ≤ 75 000

Formulación:

P(75 000 ≤ X ≤ 85 000) = P(X ≤ 85 000) - P(X ≤ 75 000) = ?

DISTRIBUCION NORMAL (Ejemplo 4.b)

Tercer paso, uso de tabla Z

85 000−80 000
P 𝑋 ≤ 85 000 = 𝑃(𝑍 ≤ )
8 000
P 𝑋 ≤ 85 000 = 𝑃(𝑍 ≤ 0.62)
𝑃(𝑍 ≤ 0.62)

P 𝑋 ≤ 85 000 = 0.7324
DISTRIBUCION NORMAL (Ejemplo 4.b)

75 000−80 000
P 𝑋 ≤ 75 000 = 𝑃(𝑍 ≤ )
8 000

P 𝑋 ≤ 75 000 = 𝑃(𝑍 ≤ −0.62)

𝑃(𝑍 ≤ −0.62)

P 𝑋 ≤ 75 000 = 0.2676
DISTRIBUCION NORMAL (Ejemplo 4.a)

Cuarto paso, cálculo

Reemplazando los resultados en la formulación

P(75 000 ≤ X ≤ 85 000) = P(X ≤ 85 000) - P(X ≤ 75 000) = ?

P(75 000 ≤ X ≤ 85 000) = 0.7324 - 0.2676

P(75 000 ≤ X ≤ 85 000) = 0.4648 = 46.48%

Quinto paso: Respuesta

La probabilidad de firmar el contrato es de 46.48%